自适应Simpson积分器无法按epsilon完成多轮循环迭代求助

咱们直接抓核心问题：你用的pl.frange(1,epsilon,1)完全不适合这个自适应积分的迭代逻辑！

问题根源 #

你设置的epsilon是1e-10，远小于起始值1，而且步长是正的1——这个范围生成器根本没法产生足够的迭代次数，甚至可能只跑1-2次就终止了，因为从1往1e-10走，正步长直接就超出范围了。自适应Simpson积分的迭代逻辑应该是不断将区间数N加倍，直到两次积分结果的差值小于目标精度epsilon，而不是用一个固定的数值范围来控制循环。

修复方案 #

替换掉错误的for循环，改用**while循环结合精度判断**，或者设置一个足够大的最大迭代次数（比如20次，因为每次N加倍，2^20已经能覆盖绝大多数场景的精度需求），同时跟踪前后两次的积分结果来判断是否停止迭代。

这里给你一个适配向量化实现的示例框架：

import numpy as np

def adaptive_simpson(f, a, b, eps=1e-10, max_iter=20):
    # 初始N=2个区间
    N = 2
    h = (b - a) / N
    x = np.linspace(a, b, N+1)
    f_x = f(x)
    # 初始Simpson积分计算
    S_old = h/3 * (f_x[0] + 4*np.sum(f_x[1:-1:2]) + 2*np.sum(f_x[2:-2:2]) + f_x[-1])
    
    for _ in range(max_iter):
        # 加倍区间数
        N *= 2
        h = (b - a) / N
        # 仅计算新增中间点的函数值，避免重复计算
        x_mid = np.linspace(a + h/2, b - h/2, N//2)
        f_mid = f(x_mid)
        # 用改进公式计算新的Simpson积分
        S_new = (4*S_old + 2*h*np.sum(f_mid)) / 3
        
        # 检查精度是否达标
        if np.abs(S_new - S_old) < eps:
            return S_new, N
        
        S_old = S_new
    
    # 达到最大迭代次数仍未达标时的提示
    print(f"已达到最大迭代次数{max_iter}，当前精度：{np.abs(S_new - S_old)}")
    return S_new, N

关键细节说明 #

• 用max_iter限制最大迭代次数，防止因函数特性导致死循环（比如积分不收敛的情况）。
• 每次迭代只计算新增中间点的函数值，完全符合你提到的避免重复计算的需求，比重新计算所有点效率高很多。
• 用两次积分结果的绝对差判断精度，这是自适应积分的标准做法，能准确反映迭代的收敛情况。

你可以把自己的向量化实现逻辑套进这个框架里，替换掉目标函数、初始积分计算等部分，就能正常执行足够多的迭代直到达到1e-10的精度了。

内容的提问来源于stack exchange，提问作者Mayur Potdar